CN109376783A - 机器人自适应地形分类方法、***与计算机可读存储介质 - Google Patents

机器人自适应地形分类方法、***与计算机可读存储介质 Download PDF

Info

Publication number
CN109376783A
CN109376783A CN201811265402.9A CN201811265402A CN109376783A CN 109376783 A CN109376783 A CN 109376783A CN 201811265402 A CN201811265402 A CN 201811265402A CN 109376783 A CN109376783 A CN 109376783A
Authority
CN
China
Prior art keywords
landform
robot
prediction probability
mode
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811265402.9A
Other languages
English (en)
Other versions
CN109376783B (zh
Inventor
刘阳
刘珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Vphonor Information Technology Co ltd
Original Assignee
Hefei Youkong Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Youkong Technology Co ltd filed Critical Hefei Youkong Technology Co ltd
Priority to CN201811265402.9A priority Critical patent/CN109376783B/zh
Publication of CN109376783A publication Critical patent/CN109376783A/zh
Application granted granted Critical
Publication of CN109376783B publication Critical patent/CN109376783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了机器人自适应地形分类方法、***与计算机可读存储介质，地形分类方法包括以下步骤：初始化、采集原始数据、提取特征获取样本、获取地形初步预测概率向量、获取地形最终预测概率向量、获取地形最终预测结果、获取新的伪标记样本并更新分类器、获取每个时间点的地形预测结果；地形分类***由振动传感器/摄像头与数据处理单元组成；计算机可读存储介质存储有地形分类程序。相比已有的技术，本发明对地形分类问题中数据分布的漂移有一定的自适应能力，可在保证精度的情况下长期稳定运行。

Description

机器人自适应地形分类方法、***与计算机可读存储介质
技术领域
本发明涉及机器人领域，特别是涉及机器人自适应地形分类方法、***与计算机可读存储介质。
背景技术
利用机器人技术实现搜救、侦查、采样等多种卫勤任务已经成为未来技术发展的重要趋势，在民用、军用领域有着广阔的应用场景。而移动机器人作为机器人技术的重要分支，引起众多研究者的关注。目前，随着机器人技术的快速发展，各类移动机器人平台的应用场景逐渐从结构化环境拓展到非结构化环境。不同于结构化环境，机器人在非结构化环境中必须面对不同的路面环境，松软、泥泞、崎岖不平的路面都有可能给机器人带来危险。这些危险路面统称为非几何特征危险。移动机器人自主识别这些非几何特征危险，即对地形进行分类，能使机器人采取与地形相适应的运动策略，安全有效地通过各类地形。地形非几何特征的分类识别方法主要包括基于振动的地形分类方法和基于视觉的地形分类方法。由于数据采集的不完备特性，导致机器人地形分类在实际运行时精度下降，为此，需要开发出一些自适应方法来解决这个问题。
发明内容
本发明技术克服现有技术的不足，解决了基于视觉或振动的地形分类中数据分布漂移的问题。
为解决上述问题，本发明公开了机器人自适应地形分类方法、***与计算机可读存储介质，所述一种机器人自适应地形分类方法，具体包括以下步骤：
S101：令时间t＝0，人工确定地形感知模态，可设为振动或视觉；如果地形感知模态为振动，则人工确定机器人在时间t的基于时域特征的地形最终预测概率向量其中为中对地形i的预测概率，L为地形种类总数，的所有元素之和为1，并且确定机器人在时间t的基于频域特征的地形最终预测概率向量其中为中对地形i的预测概率，的所有元素之和为1；如果地形感知模态为视觉，则人工确定机器人在时间t的基于颜色特征的地形最终预测概率向量其中 为中对地形i的预测概率，的所有元素之和为1，并且确定机器人在时间t的基于纹理特征的地形最终预测概率向量其中为中对地形i的预测概率，的所有元素之和为1；
S102：令t自增1，如果地形感知模态为振动，则获取机器人在时间t-1至t之间的振动序列，即其中n为两个相邻时间点之间采集到的振动信号数量；如果地形感知模态为视觉，则获取机器人在时间t的地面图像It；
S103：如果地形感知模态为振动，则求取at的时域特征与频域特征，分别得到基于时域特征的样本与基于频域特征的样本如果地形感知模态为视觉，则求取It的颜色特征与纹理特征，分别得到基于颜色特征的样本与基于纹理特征的样本
S104：如果地形感知模态为振动，则将输入到基于时域特征的分类器CT中，得到时间t的基于时域特征的地形初步预测概率向量将输入到基于频域特征的分类器CF中，得到时间t的基于频域特征的地形初步预测概率向量如果地形感知模态为视觉，则将输入到基于颜色特征的分类器CC中，得到时间t的基于颜色特征的地形初步预测概率向量将输入到基于纹理特征的分类器CE中，得到时间t的基于纹理特征的地形初步预测概率向量
S105：如果地形感知模态为振动，则求取时间t的基于时域特征的地形最终预测概率向量与基于频域特征的地形最终预测概率向量方式如下：
其中，皆为大于等于0小于等于1的实数，且 之和为1，之和为1；
如果地形感知模态为视觉，则求取时间t的基于颜色特征的地形最终预测概率向量与基于纹理特征的地形最终预测概率向量方式如下：
其中，皆为大于等于0小于等于1的实数，且 之和为1，之和为1；
S106：求取地形最终预测结果如果地形感知模态为振动，则方法如下：
其中， 如果地形感知模态为视觉，则方法如下：
其中，
S107：获取新的伪标记样本并更新分类器，如果地形感知模态为振动，则方法如下：当满足且时，其中， 则用标记并利用这个伪标记样本对分类器CT进行增量训练；当满足且时，则用标记并利用这个伪标记样本对分类器CF进行增量训练；如果地形感知模态为视觉，则方法如下：当满足且时，其中，则用标记并利用这个伪标记样本对分类器CC进行增量训练；当满足且时，则用标记并利用这个伪标记样本对分类器CE进行增量训练。
其中，所述步骤S101中涉及的确定与的方法如下：
如果确切可知机器人初始位于地形h，则 对于i≠h，有
如果不可知机器人的初始地形，则对于i＝1,2,…,L，有
其中，所述步骤S103中涉及的确定与的方法如下：
分别求at的均值、方差、峰度、最大值、最小值、最大最小值之差，并组成一个6维向量，即为
对at作N点-快速傅里叶变换，其中N＝min{2l|l＝1,2,…,且2l≥n}，变换后得到的频谱向量即为
其中，所述步骤S103中涉及的确定与的方法如下：
将It在HSV空间中表示，求取色度矩阵的统计直方图，按照色度从小到大的方式，将每个色度的频数排列成一个向量，即为
求取It的局部二值模式的统计直方图，按照局部二值模式值从小到大的方式，将每个局部二值模式值的频数排列成一个向量，即为
其中，所述的分类器为支持向量机或者决策树。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器人自适应地形分类程序，其特征在于，所述机器人自适应地形分类程序在处理器执行时实现上面所述的任一项方法的步骤。
本发明还提供了一种一种机器人自适应地形分类***，包括：振动传感器与数据处理单元；振动传感器用于感知机器人垂直于地面的轴的振动时间序列，数据处理单元用于执行机器人自适应地形分类程序，所述机器人自适应地形分类程序在处理器执行时实现上面所述的任一项方法的步骤。
其中，所述的振动传感器为加速度计。
类似地，本发明还提供了一种一种机器人自适应地形分类***，包括：摄像头与数据处理单元；摄像头朝向地面，用于采集地形图像，数据处理单元用于执行机器人自适应地形分类程序，所述机器人自适应地形分类程序在处理器执行时实现上面所述的任一项方法的步骤。
其中，所述的摄像头采用了标准镜头。
相比已有的技术，本发明对地形分类问题中数据分布的漂移有一定的自适应能力，可在保证精度的情况下长期稳定运行。
附图说明
图1为本发明流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图与具体实施例对本发明进行详细说明。
一种机器人自适应地形分类方法，如图1所示，具体包括以下步骤：
S101：令时间t＝0，人工确定地形感知模态，可设为振动或视觉；如果地形感知模态为振动，则人工确定机器人在时间t的基于时域特征的地形最终预测概率向量其中为中对地形i的预测概率，L为地形种类总数，的所有元素之和为1，并且确定机器人在时间t的基于频域特征的地形最终预测概率向量其中为中对地形i的预测概率，的所有元素之和为1；如果地形感知模态为视觉，则人工确定机器人在时间t的基于颜色特征的地形最终预测概率向量其中 为中对地形i的预测概率，的所有元素之和为1，并且确定机器人在时间t的基于纹理特征的地形最终预测概率向量其中为中对地形i的预测概率，的所有元素之和为1；
S102：令t自增1，如果地形感知模态为振动，则获取机器人在时间t-1至t之间的振动序列，即其中n为两个相邻时间点之间采集到的振动信号数量；如果地形感知模态为视觉，则获取机器人在时间t的地面图像It；
S103：如果地形感知模态为振动，则求取at的时域特征与频域特征，分别得到基于时域特征的样本与基于频域特征的样本如果地形感知模态为视觉，则求取It的颜色特征与纹理特征，分别得到基于颜色特征的样本与基于纹理特征的样本
S104：如果地形感知模态为振动，则将输入到基于时域特征的分类器CT中，得到时间t的基于时域特征的地形初步预测概率向量将输入到基于频域特征的分类器CF中，得到时间t的基于频域特征的地形初步预测概率向量如果地形感知模态为视觉，则将输入到基于颜色特征的分类器CC中，得到时间t的基于颜色特征的地形初步预测概率向量将输入到基于纹理特征的分类器CE中，得到时间t的基于纹理特征的地形初步预测概率向量
S105：如果地形感知模态为振动，则求取时间t的基于时域特征的地形最终预测概率向量与基于频域特征的地形最终预测概率向量方式如下：
其中，皆为大于等于0小于等于1的实数，且 之和为1，之和为1；
如果地形感知模态为视觉，则求取时间t的基于颜色特征的地形最终预测概率向量与基于纹理特征的地形最终预测概率向量方式如下：
其中，皆为大于等于0小于等于1的实数，且 之和为1，之和为1；
S106：求取地形最终预测结果如果地形感知模态为振动，则方法如下：
其中， 如果地形感知模态为视觉，则方法如下：
其中，
S107：获取新的伪标记样本并更新分类器，如果地形感知模态为振动，则方法如下：当满足且时，其中， 则用标记并利用这个伪标记样本对分类器CT进行增量训练；当满足且时，则用标记并利用这个伪标记样本对分类器CF进行增量训练；如果地形感知模态为视觉，则方法如下：当满足且时，其中，则用标记并利用这个伪标记样本对分类器CC进行增量训练；当满足且时，则用标记并利用这个伪标记样本对分类器CE进行增量训练。
S101：令时间t＝0，人工确定地形感知模态，可设为振动或视觉；如果地形感知模态为振动，则人工确定机器人在时间t的基于时域特征的地形最终预测概率向量其中为中对地形i的预测概率，L为地形种类总数，的所有元素之和为1，并且确定机器人在时间t的基于频域特征的地形最终预测概率向量其中为中对地形i的预测概率，的所有元素之和为1；如果地形感知模态为视觉，则人工确定机器人在时间t的基于颜色特征的地形最终预测概率向量其中 为中对地形i的预测概率，的所有元素之和为1，并且确定机器人在时间t的基于纹理特征的地形最终预测概率向量其中为中对地形i的预测概率，的所有元素之和为1；
S102：令t自增1，如果地形感知模态为振动，则获取机器人在时间t-1至t之间的振动序列，即其中n为两个相邻时间点之间采集到的振动信号数量；如果地形感知模态为视觉，则获取机器人在时间t的地面图像It；
S103：如果地形感知模态为振动，则求取at的时域特征与频域特征，分别得到基于时域特征的样本与基于频域特征的样本如果地形感知模态为视觉，则求取It的颜色特征与纹理特征，分别得到基于颜色特征的样本与基于纹理特征的样本
S104：如果地形感知模态为振动，则将输入到基于时域特征的分类器CT中，得到时间t的基于时域特征的地形初步预测概率向量将输入到基于频域特征的分类器CF中，得到时间t的基于频域特征的地形初步预测概率向量如果地形感知模态为视觉，则将输入到基于颜色特征的分类器CC中，得到时间t的基于颜色特征的地形初步预测概率向量将输入到基于纹理特征的分类器CE中，得到时间t的基于纹理特征的地形初步预测概率向量
S105：如果地形感知模态为振动，则求取时间t的基于时域特征的地形最终预测概率向量与基于频域特征的地形最终预测概率向量方式如下：
其中，皆为大于等于0小于等于1的实数，且 之和为1，之和为1；
如果地形感知模态为视觉，则求取时间t的基于颜色特征的地形最终预测概率向量与基于纹理特征的地形最终预测概率向量方式如下：
其中，皆为大于等于0小于等于1的实数，且 之和为1，之和为1；
S106：求取地形最终预测结果如果地形感知模态为振动，则方法如下：
其中， 如果地形感知模态为视觉，则方法如下：
其中，
S107：获取新的伪标记样本并更新分类器，如果地形感知模态为振动，则方法如下：当满足且时，其中， 则用标记并利用这个伪标记样本对分类器CT进行增量训练；当满足且时，则用标记并利用这个伪标记样本对分类器CF进行增量训练；如果地形感知模态为视觉，则方法如下：当满足且时，其中，则用标记并利用这个伪标记样本对分类器CC进行增量训练；当满足且时，则用标记并利用这个伪标记样本对分类器CE进行增量训练。
优选地，所述步骤S101中涉及的确定与的方法如下：
如果确切可知机器人初始位于地形h，则 对于i≠h，有
如果不可知机器人的初始地形，则对于i＝1,2,…,L，有
优选地，所述步骤S103中涉及的求取与的方法如下：
分别求at的均值、方差、峰度、最大值、最小值、最大最小值之差，并组成一个6维向量，即为
对at作N点-快速傅里叶变换，其中N＝min{2l|l＝1,2,…,且2l≥n}，变换后得到的频谱向量即为
优选地，所述步骤S103中涉及的求取与的方法如下：
将It在HSV空间中表示，求取色度矩阵的统计直方图，按照色度从小到大的方式，将每个色度的频数排列成一个向量，即为
求取It的局部二值模式的统计直方图，按照局部二值模式值从小到大的方式，将每个局部二值模式值的频数排列成一个向量，即为
优选地，所述的分类器为支持向量机或者决策树。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有机器人自适应地形分类程序，所述机器人自适应地形分类程序在处理器执行时实现上面所述的任一项方法的步骤。
本发明还公开了一种机器人自适应地形分类***，包括：振动传感器与数据处理单元；振动传感器用于感知机器人垂直于地面的轴的振动时间序列，数据处理单元用于执行机器人自适应地形分类程序，所述机器人自适应地形分类程序在处理器执行时实现上面所述的任一项方法的步骤。
优选地，所述的振动传感器为加速度计。
类似地，本发明还公开了一种机器人自适应地形分类***，包括：摄像头与数据处理单元；摄像头朝向地面，用于采集地形图像，数据处理单元用于执行机器人自适应地形分类程序，所述机器人自适应地形分类程序在处理器执行时实现上面所述的任一项方法的步骤。
优选地，所述的摄像头采用了标准镜头。
在实际应用中，还要为上述***增加供电模块、电源管理模块、输入/输出模块、显示模块、通信模块、存储模块等辅助配件。
在实施本专利之前，分类器需要事先在其他平台上预先训练，具体如下：让机器人在期望被识别的地形上各运行一段时间，并同时采集传感器的数据。如果传感器为振动传感器，则需要对采集的振动时间序列进行分割、特征提取，以获取样本集合，并对其进行人工标记；如果传感器为摄像头，则需要对图片进行特征提取，以获取样本集合，并对其进行人工标记。从每种地形所对应的所有样本中随机选择70％个作为训练样本，剩余30％个作为测试样本，训练分类器。在训练过程中涉及的特征提取方法、振动时间序列分割方法、以及所采取的分类器与本发明的中涉及的特征提取方法、振动时间序列分割方法、以及所采取的分类器一致。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (10)

1.一种机器人自适应地形分类方法，其特征在于，具体包括以下步骤：
S101：令时间t＝0，人工确定地形感知模态，可设为振动或视觉；如果地形感知模态为振动，则人工确定机器人在时间t的基于时域特征的地形最终预测概率向量其中为中对地形i的预测概率，L为地形种类总数，的所有元素之和为1，并且确定机器人在时间t的基于频域特征的地形最终预测概率向量其中为中对地形i的预测概率，的所有元素之和为1；如果地形感知模态为视觉，则人工确定机器人在时间t的基于颜色特征的地形最终预测概率向量其中 为中对地形i的预测概率，的所有元素之和为1，并且确定机器人在时间t的基于纹理特征的地形最终预测概率向量其中为中对地形i的预测概率，的所有元素之和为1；
S102：令t自增1，如果地形感知模态为振动，则获取机器人在时间t-1至t之间的振动序列，即其中n为两个相邻时间点之间采集到的振动信号数量；如果地形感知模态为视觉，则获取机器人在时间t的地面图像It；
S103：如果地形感知模态为振动，则求取at的时域特征与频域特征，分别得到基于时域特征的样本与基于频域特征的样本如果地形感知模态为视觉，则求取It的颜色特征与纹理特征，分别得到基于颜色特征的样本与基于纹理特征的样本
S104：如果地形感知模态为振动，则将输入到基于时域特征的分类器CT中，得到时间t的基于时域特征的地形初步预测概率向量将输入到基于频域特征的分类器CF中，得到时间t的基于频域特征的地形初步预测概率向量如果地形感知模态为视觉，则将输入到基于颜色特征的分类器CC中，得到时间t的基于颜色特征的地形初步预测概率向量将输入到基于纹理特征的分类器CE中，得到时间t的基于纹理特征的地形初步预测概率向量
S105：如果地形感知模态为振动，则求取时间t的基于时域特征的地形最终预测概率向量与基于频域特征的地形最终预测概率向量方式如下：
其中，皆为大于等于0小于等于1的实数，且 之和为1，之和为1；
如果地形感知模态为视觉，则求取时间t的基于颜色特征的地形最终预测概率向量与基于纹理特征的地形最终预测概率向量方式如下：
其中，皆为大于等于0小于等于1的实数，且 之和为1，之和为1；
S106：求取地形最终预测结果如果地形感知模态为振动，则方法如下：
其中， 如果地形感知模态为视觉，则方法如下：
其中，
S107：获取新的伪标记样本并更新分类器，如果地形感知模态为振动，则方法如下：当满足且时，其中， 则用标记并利用这个伪标记样本对分类器CT进行增量训练；当满足且时，则用标记并利用这个伪标记样本对分类器CF进行增量训练；如果地形感知模态为视觉，则方法如下：当满足且时，其中，则用标记并利用这个伪标记样本对分类器CC进行增量训练；当满足且时，则用标记并利用这个伪标记样本对分类器CE进行增量训练。
2.根据权利要求1所述的一种机器人自适应地形分类方法，其中，所述步骤S101中涉及的确定与的方法如下：
如果确切可知机器人初始位于地形h，则 对于i≠h，有
如果不可知机器人的初始地形，则对于i＝1,2,…,L，有
3.根据权利要求1所述的一种机器人自适应地形分类方法，其中，所述步骤S103中涉及的求取与的方法如下：
分别求at的均值、方差、峰度、最大值、最小值、最大最小值之差，并组成一个6维向量，即为
对at作N点-快速傅里叶变换，其中N＝min{2l|l＝1,2,…,且2l≥n}，变换后得到的频谱向量即为
4.根据权利要求1所述的一种机器人自适应地形分类方法，其中，所述步骤S103中涉及的求取与的方法如下：
将It在HSV空间中表示，求取色度矩阵的统计直方图，按照色度从小到大的方式，将每个色度的频数排列成一个向量，即为
求取It的局部二值模式的统计直方图，按照局部二值模式值从小到大的方式，将每个局部二值模式值的频数排列成一个向量，即为
5.根据权利要求1所述的一种机器人自适应地形分类方法，其中，所述的分类器为支持向量机或者决策树。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有机器人自适应地形分类程序，其特征在于，所述机器人自适应地形分类程序在处理器执行时实现权力要求1-5所述的任一项方法的步骤。
7.一种机器人自适应地形分类***，其特征在于，包括：振动传感器与数据处理单元；振动传感器用于感知机器人垂直于地面的轴的振动时间序列，数据处理单元用于执行机器人自适应地形分类程序，所述机器人自适应地形分类程序在处理器执行时实现权力要求1-5所述的任一项方法的步骤。
8.根据权利要求7所述的一种机器人自适应地形分类***，其中，所述的振动传感器为加速度计。
9.一种机器人自适应地形分类***，其特征在于，包括：摄像头与数据处理单元；摄像头朝向地面，用于采集地形图像，数据处理单元用于执行机器人自适应地形分类程序，所述机器人自适应地形分类程序在处理器执行时实现权力要求1-5所述的任一项方法的步骤。
10.根据权利要求9所述的一种机器人自适应地形分类***，其中，所述的摄像头采用了标准镜头。
CN201811265402.9A 2018-10-29 2018-10-29 机器人自适应地形分类方法、***与计算机可读存储介质 Active CN109376783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811265402.9A CN109376783B (zh) 2018-10-29 2018-10-29 机器人自适应地形分类方法、***与计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811265402.9A CN109376783B (zh) 2018-10-29 2018-10-29 机器人自适应地形分类方法、***与计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109376783A true CN109376783A (zh) 2019-02-22
CN109376783B CN109376783B (zh) 2020-10-20

Family

ID=65390256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811265402.9A Active CN109376783B (zh) 2018-10-29 2018-10-29 机器人自适应地形分类方法、***与计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109376783B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147780A (zh) * 2019-05-28 2019-08-20 山东大学 基于层级地形的实时性野外机器人地形识别方法及***
CN110147826A (zh) * 2019-04-23 2019-08-20 中国科学技术大学 一种动态环境下机器人地面分类方法及***
CN111027627A (zh) * 2019-12-11 2020-04-17 哈尔滨高斯触控科技有限公司 一种基于多层感知机的振动信息地形分类识别方法
CN111680642A (zh) * 2020-06-11 2020-09-18 石家庄铁道大学 一种地形分类方法及装置
CN112987716A (zh) * 2019-12-17 2021-06-18 科沃斯机器人股份有限公司 作业控制方法、装置、***及机器人

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101813475A (zh) * 2010-04-24 2010-08-25 上海交通大学 远距离障碍的自适应检测方法
CN104700105A (zh) * 2015-03-11 2015-06-10 宁波工程学院 非结构化室外地形全局检测方法
CN105426858A (zh) * 2015-11-26 2016-03-23 哈尔滨工业大学 一种基于视觉和振动信息融合的地面类型辨识方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101813475A (zh) * 2010-04-24 2010-08-25 上海交通大学 远距离障碍的自适应检测方法
CN104700105A (zh) * 2015-03-11 2015-06-10 宁波工程学院 非结构化室外地形全局检测方法
CN105426858A (zh) * 2015-11-26 2016-03-23 哈尔滨工业大学 一种基于视觉和振动信息融合的地面类型辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN WEISS ETC.: ""A Combination of Vision- and Vibration-based Terrain Classification"", 《2008 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 *
PHILIPPE KOMMA ETC.: ""Adaptive Bayesian Filtering for Vibration-based Terrain Classification"", 《2009 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147826A (zh) * 2019-04-23 2019-08-20 中国科学技术大学 一种动态环境下机器人地面分类方法及***
CN110147780A (zh) * 2019-05-28 2019-08-20 山东大学 基于层级地形的实时性野外机器人地形识别方法及***
CN110147780B (zh) * 2019-05-28 2021-01-01 山东大学 基于层级地形的实时性野外机器人地形识别方法及***
CN111027627A (zh) * 2019-12-11 2020-04-17 哈尔滨高斯触控科技有限公司 一种基于多层感知机的振动信息地形分类识别方法
CN112987716A (zh) * 2019-12-17 2021-06-18 科沃斯机器人股份有限公司 作业控制方法、装置、***及机器人
CN111680642A (zh) * 2020-06-11 2020-09-18 石家庄铁道大学 一种地形分类方法及装置
CN111680642B (zh) * 2020-06-11 2023-06-23 石家庄铁道大学 一种地形分类方法及装置

Also Published As

Publication number Publication date
CN109376783B (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN109376783A (zh) 机器人自适应地形分类方法、***与计算机可读存储介质
US11462007B2 (en) System for simplified generation of systems for broad area geospatial object detection
KR102591961B1 (ko) 모델 트레이닝 방법 및 장치, 및 이를 위한 단말 및 저장 매체
Weinmann et al. Feature relevance assessment for the semantic interpretation of 3D point cloud data
US8433105B2 (en) Method for acquiring region-of-interest and/or cognitive information from eye image
KR101662115B1 (ko) 2차 미분 에지 검출 방법의 에지 배향
Nguyen et al. Change detection by training a triplet network for motion feature extraction
US8103091B2 (en) Object identification parameter learning system
KR101650994B1 (ko) 객체 인식에서 피처 생성을 개선시키기 위한 시스템들 및 방법들
Wozniak et al. Scene recognition for indoor localization of mobile robots using deep CNN
Ringwald et al. UAV-Net: A fast aerial vehicle detector for mobile platforms
KR102140805B1 (ko) 위성 영상의 물체 식별을 위한 뉴럴 네트워크 학습 방법 및 장치
Singh et al. Stability based filter pruning for accelerating deep cnns
CN113837079A (zh) 显微镜的自动对焦方法、装置、计算机设备和存储介质
CN110084837B (zh) 基于无人机视频的目标检测与跟踪方法
CN112801047A (zh) 缺陷检测方法、装置、电子设备及可读存储介质
WO2018179151A1 (ja) 映像解析装置、映像解析方法、および映像解析プログラム
CN107315984B (zh) 一种行人检索的方法及装置
CN113283404A (zh) 行人属性识别方法、装置、电子设备及存储介质
CN112101156A (zh) 一种目标识别的方法、装置和电子设备
CN115578590A (zh) 基于卷积神经网络模型的图像识别方法、装置及终端设备
Yu et al. A new study on distance metrics as similarity measurement
CN106033613B (zh) 目标跟踪方法及装置
CN112836611A (zh) 确定身体部位语义图、模型训练和行人重识别方法及设备
CN110532867B (zh) 一种基于黄金分割法的人脸图像聚类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200915

Address after: Room 101-19, building 19, No. 1399 liangmu Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou QingChuang weipin Intelligent Technology Co.,Ltd.

Address before: 230601 Room 110, Public Rental Building 1 # Building, West Qinglongtan Road, East Feiguang Road, North Export Processing Zone, Binhe District, Hefei Economic and Technological Development Zone, Anhui Province

Applicant before: HEFEI YOUKONG TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220930

Address after: 518000 Room 303, building A1A2, Guangming Science Park, China Merchants Group, sightseeing Road, Fenghuang community, Fenghuang street, Guangming District, Shenzhen City, Guangdong Province

Patentee after: SHENZHEN VPHONOR INFORMATION TECHNOLOGY CO.,LTD.

Address before: 311100 Room 101-19, Building 19, No. 1399, Liangmu Road, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee before: Hangzhou QingChuang weipin Intelligent Technology Co.,Ltd.